El vídeo se grabó en enero de 2025 utilizando JMP 18.
¿Dispone de datos de producción históricos o en tiempo real? ¿Se ha preguntado cómo aprovecharlos para diseñar experimentos de alto valor, eficientes y rentables?
En esta sesión, utilizaremos los siguientes pasos para encontrar una receta de proceso óptima para una herramienta de deposición química de vapor mejorada por plasma (PECVD) que se utiliza para depositar una capa aislante en una oblea en la fabricación de semiconductores:
- Derive y refine un modelo de regresión penalizado JMP Pro a partir de datos de producción combinados con conocimiento científico y de procesos.
- Utilice el modelo de regresión como base para un diseño de experimento económico utilizando la metodología de Diseño de Experimentos (DOE).
- Encuentre una receta de proceso óptima utilizando un modelo de regresión de los datos del experimento.
Prerrequisitos sugeridos:
- Alguna experiencia en evaluación de datos de procesos.
- Familiaridad básica con diseño de experimentos y modelos estadísticos.
Para obtener información adicional y detallada sobre los temas tratados en el vídeo, considere:
Algunas preguntas respondidas por @Jason_Wiggins , @Lovy_Singh y @charlie_whitman en el seminario web en vivo:
P: ¿Por qué las interacciones y los términos al cuadrado están centrados?
R: JMP centrará automáticamente las estimaciones a menos que solicite o especifique lo contrario. En un modelo de efectos principales, no se realiza el centrado. Para interacciones y términos al cuadrado, etc., JMP centrará automáticamente las estimaciones. Puede desmarcar esta opción en el menú del triángulo rojo al usar Ajustar modelo. Además, el centrado puede ayudar a reducir la colinealidad entre factores.
Consulte una nota de soporte técnico sobre las ventajas del centrado .
P: ¿Por qué no utilizar un diseño de selección definitivo en lugar de un diseño personalizado?
R: Esto implica usar datos históricos para identificar los términos activos que podrían estar presentes primero y luego diseñar un experimento para identificarlos. Además, este método ayuda a identificar los factores importantes que deberíamos usar. Un DSD se usa típicamente para eliminar factores no importantes.
P: Es probable que los datos observacionales presenten valores atípicos. ¿Cómo se abordarían estos valores para garantizar que no sesguen el modelo?
R: Una buena manera de identificar valores atípicos es usar la distancia de Cook. Después de identificar cualquier posible valor atípico, puede eliminarlo del modelo usando el estado de fila "Ocultar y excluir".
P: ¿El objetivo es tener el AICc más bajo posible?
R: Al comparar diferentes modelos, un AICc más bajo ayuda a determinar cuál es el mejor. Como regla general, una diferencia de AICc de aproximadamente 5 entre un modelo y otro indica que ambos son prácticamente equivalentes.
P: ¿Por qué eliminaste la presión del modelo cuando el valor p es menor a 0,0001?
R: Este es un buen ejemplo de cómo incorporar el conocimiento del proceso para refinar el modelo. En este ejemplo, sabíamos que el flujo de gas y la presión están relacionados. Por lo tanto, quizás el flujo de gas sea suficiente para medir el proceso.
P: Mencionaste que podemos usar la comprensión del proceso; por ejemplo, eliminar dos términos estrechamente relacionados que permanecen en el modelo. ¿Hay alguna manera de identificar factores multicolineales usando una herramienta matemática en JMP (VIF, etc.) si no se conoce cada término del proceso?
R: Sí, aquí hay un video rápido sobre esto: https://community.jmp.com/t5/Pensamiento estadístico para/Evaluación de la multicolinealidad/ta-p/271968 y también algunas demostraciones breves de uno de nuestros educadores estadísticos de JMP: https://community.jmp.com/t5/Deeper-Dives/A-Deeper-Dive-Into-Multicollinearity/ta-p/674508 .
P: ¿Por qué no utilizas el diseño factorial completo?
R: El factorial completo es muy estricto en cuanto al número de ejecuciones necesarias y buscará términos que podrían no ser significativos. Con un diseño personalizado, podemos elegir el tipo de modelo que queremos construir y limitar el número de ejecuciones según las necesidades y limitaciones de nuestro negocio.
P: ¿Existen herramientas o métodos que ayuden a identificar y/o visualizar el espacio explorado por los datos existentes, como una herramienta de diagrama de dispersión para más de 2 o 3 dimensiones?
R: Por supuesto. Gráfico > Diagrama de dispersión 3D. Y para 4D, podrías usar estados de fila coloreados para resaltar una cuarta dimensión en un gráfico 3D.
P: ¿Podríamos utilizar el modelo RMSE de los datos de observación para ayudar a informar nuestra estimación del RMSE anticipado en la Evaluación de diseño>Análisis de potencia?
R: Eso no es apropiado en este contexto. El qui cuadrado de Wald o el cociente t son más adecuados para este caso. El RSME en el DOE es una expectativa y útil al diseñar experimentos.
P: ¿Es Stepwise un método alternativo para seleccionar términos significativos?
R: El método paso a paso puede ser eficaz. Sin embargo, en esencia, se sigue construyendo un modelo de mínimos cuadrados estándar e incorporando y eliminando términos selectivamente según ciertos criterios. Los métodos de contracción y la metodología que utilizamos son métodos de estimación más adecuados para abordar algunos de los problemas que encontramos con los datos observacionales. Si desea realizar la debida diligencia, por supuesto, también puede probar el método paso a paso, pero presenta algunos de los mismos desafíos que los mínimos cuadrados estándar.
P: Dado que utilizamos un rango limitado de factores para dibujar un modelo e identificar el término activo, ¿debemos probar un rango similar en el Diseño Personalizado? ¿Deberíamos construir el modelo para modelar lo que realmente vamos a probar en el DOE?
R: No. Tenemos datos observacionales extremadamente limitados, por las razones que mencioné. Pero eso no significa que debamos limitarnos en nuestro experimento de diseño. En realidad, lo que intentamos determinar en el modelo es cómo debe ser el modelo asumido. En el experimento, queremos aplicar las mejores prácticas para experimentos diseñados y asegurarnos de que los niveles de nuestros factores sean lo más dispersos posible.
Algunos comentarios de los asistentes durante la sesión:
- Si desea replicar el resultado de su prueba de predicción, debe configurar/guardar una semilla aleatoria.
- Al utilizar datos observacionales, tenga mucho cuidado con los valores faltantes. Dependiendo de la plataforma o el método utilizado, podría descartar accidentalmente series o lotes completos del análisis. JMP también ofrece la función de valores faltantes informativos.
Recursos
- Presentación sobre optimización bayesiana en Discovery Summit a cargo de Sarah Gilyard, Gestión de productos de JMP, quien contribuyó a esta presentación sobre diseño de experimentos de optimización de procesos utilizando modelos basados en datos de producción .
